Industrial
Data Science

Die Ausgangslage

In der industriellen Praxis werden heute viele Entscheidungen aus dem Bauch heraus getroffen, obwohl Themen wie Business Intelligence, Data Warehouse und Big Data bereits seit langer Zeit etabliert sind. Oft kann der Erfolg von Maßnahmen, die ein Unternehmen kontinuierlich entwickeln soll, gar nicht quantifiziert werden. Schlimmer noch – heute sind wir in der industriellen Praxis vielfach nicht fähig das Potenzial möglicher Handlungsfelder, aus denen sich diese Maßnahmen ableiten, auf Basis der Datenlage überhaupt zu qualifizieren.

Aus der geschilderten Situation heraus folgt man Schlagworten und Managementmoden, wobei dem Handeln meist die Hoffnung zugrunde liegt, dass bei der Umsetzung vieler Maßnahmen ganz von selbst einige Treffer dabei sein werden.

Wenn die Zeiten schlechter werden bleibt in der Folge oft keine andere Möglichkeit als hart und pauschal ins Unternehmen einzugreifen, was dann regelmäßig wichtige Teile des Organismus „Unternehmen“ ohne Not eliminiert. Das Antreffen einer derartigen Ausgangssituation im Zeitalter von Data Science, Machine Learning und KI (künstliche Intelligenz) scheint verwunderlich. Doch das ist es nicht.

Heute werden Unternehmen noch ähnlich zu den ersten Dampfschiffen gesteuert. Der Kapitän stellt seinen Maschinentelegraf, irgendwo tief unten im Maschinenraum werden daraufhin Befehle gerufen und an vielen kleinen Stellhebeln gedreht. Darauf folgt banges Hoffen, ob die Richtung stimmt und alles schon irgendwie klappen wird.

Unser Zukunftsszenario

Stellen Sie sich Folgendes vor: Sie sind Pilot des Jet’s „Unternehmen“ und steuern es mit einem Sidestick. Kleinste Bewegungen führen umgehend zur präzisen Reaktion und Rückmeldung. Die Fly-by-Wire Steuerung verhindert dabei ein Übersteuern und hilft auch bei großen Böen das Unternehmen stabil zu halten.

Das klingt heute noch unglaublich? Mit unserer Entwicklung des Industrial Data Science haben wir uns genau das zum Ziel gesetzt und wir wissen, dass dies zukünftig möglich sein wird.

Die Besonderheit beim Industrial Data Science

Was unterscheidet nun Industrial Data Science von Data Science oder Ansätzen wie Process Mining bzw. Product oder Portfolio Mining?

Unser Industrial Data Science Ansatz basiert auf der ganzheitlichen Theorie der Verdichtungs- und Auflösungsebenen. Diese verbindet die systemische Managementlehre mit der Prozess- und Informationsarchitektur und den IT-Systemen in Unternehmen. Die Theorie der Verdichtungs- und Auflösungsebenen schafft ganz neue Voraussetzungen das System „Unternehmen“ zu betrachten.

Daten und Informationen lassen sich aus den IT-Systemen in Unternehmen heraus leicht generieren. Der Schlüssel ist diese durch Verdichtung derart zu veredeln und die Essenzen zu extrahieren, dass sich die versteckten Kernaspekte des Unternehmens in den Daten kristallisieren. Nur wenn das gelingt, können die extrahierten Informationen handlungsleitend und direkt für die unterschiedlichen Entscheidungs- und Handlungsfelder eines Unternehmens verwendet werden. 

RIM-Industrial Data Science verbindet damit eine neuartige Unternehmenstheorie mit der praktischen Anwendung von modernen Data Science Methoden.

Der dahinterstehende theoretische Rahmen wurde von unserem Managing Partner Prof. Fischer mit seinem STZ-RIM Industrial Data Science Team gemeinsam mit einigen unseren engsten Kunden entwickelt. Aktuell sind wir dabei diesen theoretischen Rahmen zu industrialisieren und ausgewählten Kunden exklusiv bereitzustellen.

Partizipieren auch Sie als eines der ersten Unternehmen von unserem revolutionären Ansatz, der Ihr Unternehmen darauf vorbereitet nach dem Fly-by-Wire Prinzip exakt und präzise steuerbar zu werden.